CN111242100B - 一种基于gst和vl-mobpnn的动作识别方法 - Google Patents
一种基于gst和vl-mobpnn的动作识别方法 Download PDFInfo
- Publication number
- CN111242100B CN111242100B CN202010146752.4A CN202010146752A CN111242100B CN 111242100 B CN111242100 B CN 111242100B CN 202010146752 A CN202010146752 A CN 202010146752A CN 111242100 B CN111242100 B CN 111242100B
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- transformation
- learning rate
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4851—Prosthesis assessment or monitoring
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/02—Prostheses implantable into the body
- A61F2/48—Operating or control means, e.g. from outside the body, control of sphincters
- A61F2/482—Electrical means
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/50—Prostheses not implantable in the body
- A61F2/68—Operating or control means
- A61F2/70—Operating or control means electrical
- A61F2/72—Bioelectric control, e.g. myoelectric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Transplantation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Pathology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于GST和VL‑MOBPNN的动作识别方法,包括:获取人体下肢肌电信号的样本数据;将电信号进行时频广义S变换,得到时间分辨率较好时的时域累计特性曲线和频率分辨率较好时的频域累计特性曲线;获取信号的特征向量;将特征向量输入学习率可变动量反向传播神经网络进行识别分类,获得分类结果。本发明采用时频广义S变换能对信号进行更加细致的分析,解决了传统时频分析方法中高斯窗窗宽固定的难题;时频广义S变换还引入了高斯窗调节参数,可以根据实际应用中肌电信号的频率分布特点和时频分析侧重点,灵活地调节高斯窗窗宽随频率呈反比变化的速率,更好地适应具体信号的分析和处理,从而提高信号的处理能力。
Description
技术领域
本发明涉及模式识别技术领域,尤其是一种基于GST和VL-MOBPNN的动作识别方法。
背景技术
表面肌电信号(Surface electromyography,sEMG)是从肌肉表面通过电极引导、放大、记录下来的神经肌肉系列活动时的非平稳一维时间序列生物电信号,能够反映神经肌肉的活动。不同的肢体动作由不同的肌肉收缩模式产生,肌电信号特征也存在差异。通过对肌电信号特征进行分析就可以区分不同的动作模式。肌电信号已经广泛应用到临床医学、运动学、生物医学与工程等诸多领域,在智能假肢方面已经成为功能性电刺激的理想控制信号。
基于肌电信号动作模式识别的关键是如何提取肌电信号的特征值。传统的识别方法是使用离散傅里叶变换处理肌电信号对人手动作分类,该方法仅仅是在时域中分析数据,并且是将肌电信号视为平稳信号或分段信号,而肌电信号在本质上是一种具有非平稳特性的生理信号,因此传统的离散傅里叶变换在特征提取过程中丢失很多频域特征信息,信息的丢失导致传统识别方法并不能够起到很好的识别效果。针对肌电信号的非平稳特性,可以采用短时傅里叶变换和小波变换对肌电信号进行分析。但短时傅里叶变换的窗口宽度是固定的,不能根据不同信号成分对窗口宽度做出改变。而如何选取小波基函数以及原始信号相位信息丢失则是用小波变换对肌电信号进行分析的难点。
发明内容
本发明的目的在于提供一种采用时频广义S变换对具有非平稳特性的肌电信号进行分析,得到在时间和频率分辨率较好情况下信号时频累计特性曲线,然后提取时频累计特性曲线幅值的均值和标准差作为特征向量,并送进学习率可变动量反向传播神经网络中对人体下肢行走、站立及静坐三种动作模式进行分类,较好地实现了人体下肢三种不同动作模式的识别的基于GST和VL-MOBPNN的动作识别方法。
为实现上述目的,本发明采用了以下技术方案:一种基于GST和VL-MOBPNN的动作识别方法,该方法包括下列顺序的步骤:
(1)获取人体下肢肌电信号的样本数据;
(2)将步骤(1)获取的电信号进行时频广义S变换,得到时间分辨率较好时的时域累计特性曲线和频率分辨率较好时的频域累计特性曲线;
(3)获取信号的特征向量:取时域累计特性曲线幅值的均值和标准差、频域累计特性曲线幅值的均值和标准差,以及膝盖弯曲度电信号第一个值的绝对值作为特征向量;
(4)将特征向量输入学习率可变动量反向传播神经网络进行识别分类,获得分类结果。
所述步骤(1)具体是指:获取人体下肢肌电信号的样本数据,数据直接通过microSD卡采集到计算机MWX8内部存储中,通过蓝牙适配器在实时数据记录软件中传输,采样频率为1000Hz;测量测试者分别进行行走、站立及静坐三种动作时股直肌、股二头肌、股内侧肌和半腱肌的电信号,然后用膝关节测角仪来测试坐姿伸直腿和向上弯曲腿过程中腿的角度变化,即膝盖弯曲度的电信号。
在所述步骤(2)中,当γ=2,ρ=1.5时,时间分辨率较好;当γ=2.5,ρ=0.5时,频率分辨率较好;γ和ρ为时频广义S变换的两个调节参数。
所述步骤(2)的时频广义S变换具体是指:
通过步骤(1)获取的电信号x(t)的一维连续正变换表达式如下:
式中,S(τ,f)是x(t)的S变换,f是频率,τ用于控制时间轴上高斯窗函数的位置,时频广义S变换是对S变换的高斯窗函数进行改造,引入两个调节参数γ和ρ,时频广义S变换的表达式为:
其中ρ∈[1/2,3/2],γ是调节因子,选定ρ后,当|γ|>1时,时窗宽度随频率呈反比变化的速度加快,当|γ|<1则减慢。
所述步骤(4)的学习率可变动量反向传播神经网络输出表达式为:
a=purelin(Wp+b) (3)
其中,p和a是网络的输入和输出,W和b是网络的权值和偏置;
通过学习率可变动量反向传播神经网络对人体下肢三种基本动作进行分类,得到的分类结果与目标结果之间有偏差,采用反向传播算法是根据该偏差来修正神经网络中的权值和阈值,反向传播算法的学习算法为梯度下降法,在梯度下降法的基础上引进动量因子μ:
x(k+1)=x(k)+Δx(k+1) (5)
当误差以减小的方式趋于目标误差时,说明修正方向正确,此时将学习率乘以增量因子kinc,增大学习率,当误差超过了设定值时,说明修正方向错误,此时将学习率乘以减量因子kdec,使学习率减小,并且舍弃上一步权值和阈值的修正,即
其中,kinc为增量因子,kdec为减量因子,E(k)表示第k次迭代时神经网络的输出与目标输出之间的误差,α(k)表示第k次迭代时神经网络的学习率。
由上述技术方案可知,本发明的有益效果为:第一,时频广义S变换能对信号进行更加细致的分析,它用于变换的高斯窗窗宽能根据分析信号频率的变化而变化,解决了传统时频分析方法中高斯窗窗宽固定的难题;第二,时频广义S变换还引入了高斯窗调节参数,可以根据实际应用中肌电信号的频率分布特点和时频分析侧重点,灵活地调节高斯窗窗宽随频率呈反比变化的速率,更好地适应具体信号的分析和处理,从而提高信号的处理能力;第三,VL-MOBP神经网络在原有梯度下降法的基础上引入了动量因子μ、增量因子kinc和减量因子kdec,能够避免在训练过程中出现局部最小值和振荡问题,实现对动作模式更好地分类;第四,本发明对采集到的肌电信号做时频广义S变换,并分别提取在时间和频率分辨率较好情况下信号时频累计特性曲线幅值的均值和标准差及膝盖弯曲度电信号第一个值的绝对值组成特征向量,然后将其输入VL-MOBP神经网络,能有效识别出行走、站立及静坐三种动作模式,得到比传统时频分析更高的识别率。
附图说明
图1为本发明的方法流程图;
图2、3均为本发明的VL-MOBP神经网络原理图;
图4为本发明的时频累计特性曲线图;
图5为本发明的VL-MOBP神经网络训练流程图。
具体实施方式
如图1所示,一种基于GST和VL-MOBPNN的动作识别方法,该方法包括下列顺序的步骤:
(1)获取人体下肢肌电信号的样本数据;
(2)将步骤(1)获取的电信号进行时频广义S变换,得到时间分辨率较好时的时域累计特性曲线和频率分辨率较好时的频域累计特性曲线;
(3)获取信号的特征向量:取时域累计特性曲线幅值的均值和标准差、频域累计特性曲线幅值的均值和标准差,以及膝盖弯曲度电信号第一个值的绝对值作为特征向量;
(4)将特征向量输入学习率可变动量反向传播神经网络进行识别分类,获得分类结果。
所述步骤(1)具体是指:使用奥雅纳生物技术公司的MWX8设备获取人体下肢肌电信号的样本数据,数据直接通过microSD卡采集到计算机MWX8内部存储中,通过蓝牙适配器在实时数据记录软件中传输,采样频率为1000Hz;测量测试者分别进行行走、站立及静坐三种动作时股直肌、股二头肌、股内侧肌和半腱肌的电信号,然后用膝关节测角仪来测试坐姿伸直腿和向上弯曲腿过程中腿的角度变化,即膝盖弯曲度的电信号。
在所述步骤(2)中,当γ=2,ρ=1.5时,时间分辨率较好;当γ=2.5,ρ=0.5时,频率分辨率较好;γ和ρ为时频广义S变换的两个调节参数。
所述步骤(2)的时频广义S变换具体是指:
S变换是美国物理学家Stockwell在前人研究时频分析方法基础上提出的一种较新的时频分析方法。它是一种无损可逆的线性时频分析工具,它综合了短时傅里叶变换和小波变换的一些优点而克服了它们的不足;它与以Wigner-Ville分布为代表的非线性时频分析方法的主要区别在于不存在交叉项的影响。
通过步骤(1)获取的电信号x(t)的一维连续正变换表达式如下:
式中,S(τ,f)是x(t)的S变换,f是频率,τ用于控制时间轴上高斯窗函数的位置,时频广义S变换是对S变换的高斯窗函数进行改造,引入两个调节参数γ和ρ,根据实际应用中非平稳信号的频率分布特点和时频分析的侧重点,灵活地调节高斯窗函数随频率f变化的趋势,更好地适应具体信号的分析和处理。
时频广义S变换的表达式为:
其中ρ∈[1/2,3/2],γ是调节因子,选定ρ后,当|γ|>1时,时窗宽度随频率呈反比变化的速度加快,当|γ|<1则减慢。根据海森堡测不准原理,时间分辨率和频率分辨率是互相矛盾的,在取得较好时间分辨率的同时频率分辨率会下降,所以如何选择时间分辨率和频率分辨率应该从处理的实际问题出发,根据实际问题的需求来选取想要的变换结果。本发明对肌电信号做时频广义S变换,分别得到时间和频率分辨率较好时的时频累计特性曲线,然后取时频累计特性曲线幅值的均值和标准差作为肌电信号的特征值。
学习率可变动量反向传播(Variable learning rate momentumbackpropagation,VL-MOBP)神经网络(NN,neural network)是神经网络家族中的一员,VL-MOBP神经网络的神经元与感知器类似,只不过它的传输函数是非线性的,所述步骤(4)的学习率可变动量反向传播神经网络输出表达式为:
a=purelin(Wp+b) (3)
其中,p和a是网络的输入和输出,W和b是网络的权值和偏置;
VL-MOBP神经网络一般是多层神经网络,信息从输入层传向输出层,网络的学习就是对权值W和阈值b进行修正,使得输入和输出满足一定的映射关系。针对反向传播算法在函数训练过程中容易陷入局部最小值和振荡,使得最终的输出结果误差偏大。通过学习率可变动量反向传播神经网络对人体下肢三种基本动作进行分类,得到的分类结果与目标结果之间有偏差,采用反向传播算法是根据该偏差来修正神经网络中的权值和阈值,反向传播算法的学习算法为梯度下降法,在梯度下降法的基础上引进动量因子μ:
x(k+1)=x(k)+Δx(k+1) (5)
其中,0<μ<1,Δx为权值或阈值的修正量,k为网络训练次数,α是学习率,是误差性能函数对权值或阈值的梯度;该算法是用前一次的修正结果来影响本次的修正结果,当前一次修正量过大时,式(4)第二项符号将与前一次的修正量符号相反,使得本次的修正量减小,当前一次修正量较小时,式(4)第二项符号将与前一次的修正量符号相同,使得本次的修正量增加。
学习率对一个算法的收敛性至关重要。学习率过大,容易导致算法不收敛,不能达到理想的训练效果。学习率过小,收敛速度慢,算法的实时性差,而要在训练之前选择一个最佳学习率是很难的。本文提出的VL-MOBP算法则能很好地解决这个问题。当误差以减小的方式趋于目标误差时,说明修正方向正确,此时将学习率乘以增量因子kinc,增大学习率,当误差超过了设定值时,说明修正方向错误,此时将学习率乘以减量因子kdec,使学习率减小,并且舍弃上一步权值和阈值的修正,即
其中,kinc为增量因子,kdec为减量因子,E(k)表示第k次迭代时神经网络的输出与目标输出之间的误差,α(k)表示第k次迭代时神经网络的学习率。
同时引入动量因子μ、增量因子kinc和减量因子kdec,不仅能够获得较快的收敛速率,还能够防止在训练过程中出现局部最小值及振荡问题。本发明使用VL-MOBP神经网络作为分类器对下肢动作模式进行识别取得很好地识别效果。
实施例一
本实施例包括如下步骤:
步骤一,采集处理信号,具体是采用美国Biometrics公司的MWX8仪器设备,先用酒精在测试者的腿部擦涂去污,以增强信号的拾取能力,将一次性肌电电极贴于测试者的股直肌,股二头肌,股内侧肌和半腱肌,用于采集表面肌电信号,然后用膝关节测角仪来测试坐姿伸直腿和向上弯曲腿过程中腿的角度变化,得到膝盖弯曲度的电信号。把采集到的电信号(采样频率1000Hz)通过蓝牙USB连接到装有肌电信号处理软件的计算机上,采集测试者在行走、站立及静坐三种动作下肌电信号各22组。
步骤二,将步骤一获取的肌电信号做时频广义S变换,得到信号的时频累计特性曲线,具体是先取γ=2,ρ=1.5,得到肌电信号的时域累计特性曲线,如图2所示;再取γ=2,ρ=0.5,得到信号的频域累计特性曲线,信号时频累计特性曲线如图3所示。
步骤三,分析由步骤二获取的肌电信号时频累计特性曲线,得到特征向量,具体是分别取时域和频域累计特性曲线幅值的均值和标准差,以及膝盖弯曲度信号第一个值的绝对值作为特征向量。得到的特征向量如表1所示。
表1测试者肌电信号的特征向量
步骤四:将步骤三所求得的特征向量输入VL-MOBP神经网络进行识别分类,得到分类结果。VL-MOBP神经网络的原理图如图4所示,网络的训练流程图如图5所示。
行走、站立及静坐每种动作对应22组一维特征向量,从中任取60组特征向量作为训练集输入VL-MOBP神经网络进行训练,其余6组作为测试集输入神经网络测试。
对于VL-MOBP神经网络,本次发明在原有梯度下降算法基础上引入了动量因子μ、增量因子kinc和减量因子kdec,通过改变权值和阈值的修正量以及学习率来防止网络在训练过程中出现局部最小值和振荡问题。从而提高动作识别的准确率。表2列出了测试样本在VL-MOBP神经网络中的识别结果,平均识别率达到96.67%,识别效果很理想。
表2VL-MOBP神经网络识别结果
表3列出了本发明方法与其他提取特征值方法在动作模式识别上的平均识别精度,通过比较发现,本发明的平均识别精度最高,从而证明了本发明的有效性。
表3.本发明与其他方法的平均识别精度比较
综上所述,本发明通过表面电极采集人体肌电信号,将该肌电信号做广义S变换,得到肌电信号的时域和频域累计特性曲线,然后提取信号时域和频域累计特性曲线幅值的均值和标准差及膝盖弯曲度电信号第一个值的绝对值作为信号的特征向量。将该特征向量送到VL-MOBP神经网络中进行识别分类,完成整个操作。本发明的核心是使用广义S变换对信号进行处理,分别提取时间和频率分辨率较好情况下信号时频累计特性曲线幅值的均值和标准差作为特征值。本发明的平均识别精度为96.67%,比标准S变换高出约36%,比小波包变换高出约6%。本发明可以通过采集人体肌电信号实现对人体下肢动作的识别,将该项技术移植到仿生假肢的制作过程,对利用仿生假肢提高残疾人的生活质量具有重大价值和意义。
Claims (5)
1.一种基于GST和VL-MOBPNN的动作识别方法,其特征在于:该方法包括下列顺序的步骤:
(1)获取人体下肢肌电信号的样本数据;
(2)将步骤(1)获取的电信号进行时频广义S变换,得到时间分辨率较好时的时域累计特性曲线和频率分辨率较好时的频域累计特性曲线;
(3)获取信号的特征向量:取时域累计特性曲线幅值的均值和标准差、频域累计特性曲线幅值的均值和标准差,以及膝盖弯曲度电信号第一个值的绝对值作为特征向量;
(4)将特征向量输入学习率可变动量反向传播神经网络进行识别分类,获得分类结果。
2.根据权利要求1所述的基于GST和VL-MOBPNN的动作识别方法,其特征在于:所述步骤(1)具体是指:获取人体下肢肌电信号的样本数据,数据直接通过microSD卡采集到计算机MWX8内部存储中,通过蓝牙适配器在实时数据记录软件中传输,采样频率为1000Hz;测量测试者分别进行行走、站立及静坐三种动作时股直肌、股二头肌、股内侧肌和半腱肌的电信号,然后用膝关节测角仪来测试坐姿伸直腿和向上弯曲腿过程中腿的角度变化,即膝盖弯曲度的电信号。
3.根据权利要求1所述的基于GST和VL-MOBPNN的动作识别方法,其特征在于:在所述步骤(2)中,当γ=2,ρ=1.5时,时间分辨率较好;当γ=2.5,ρ=0.5时,频率分辨率较好;γ和ρ为时频广义S变换的两个调节参数。
5.根据权利要求1所述的基于GST和VL-MOBPNN的动作识别方法,其特征在于:所述步骤(4)的学习率可变动量反向传播神经网络输出表达式为:
a=purelin(Wp+b) (3)
其中,p和a是网络的输入和输出,W和b是网络的权值和偏置;
通过学习率可变动量反向传播神经网络对人体下肢三种基本动作进行分类,得到的分类结果与目标结果之间有偏差,采用反向传播算法是根据该偏差来修正神经网络中的权值和阈值,反向传播算法的学习算法为梯度下降法,在梯度下降法的基础上引进动量因子μ:
x(k+1)=x(k)+Δx(k+1) (5)
当误差以减小的方式趋于目标误差时,说明修正方向正确,此时将学习率乘以增量因子kinc,增大学习率,当误差超过了设定值时,说明修正方向错误,此时将学习率乘以减量因子kdec,使学习率减小,并且舍弃上一步权值和阈值的修正,即
其中,kinc为增量因子,kdec为减量因子,E(k)表示第k次迭代时神经网络的输出与目标输出之间的误差,α(k)表示第k次迭代时神经网络的学习率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010146752.4A CN111242100B (zh) | 2020-03-05 | 2020-03-05 | 一种基于gst和vl-mobpnn的动作识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010146752.4A CN111242100B (zh) | 2020-03-05 | 2020-03-05 | 一种基于gst和vl-mobpnn的动作识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242100A CN111242100A (zh) | 2020-06-05 |
CN111242100B true CN111242100B (zh) | 2023-02-07 |
Family
ID=70865970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010146752.4A Active CN111242100B (zh) | 2020-03-05 | 2020-03-05 | 一种基于gst和vl-mobpnn的动作识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242100B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950460B (zh) * | 2020-08-13 | 2022-09-20 | 电子科技大学 | 一种自适应肌力的卒中患者手部康复训练动作识别方法 |
CN113362324B (zh) * | 2021-07-21 | 2023-02-24 | 上海脊合医疗科技有限公司 | 一种基于视频图像的骨骼健康检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6002985A (en) * | 1997-05-06 | 1999-12-14 | Halliburton Energy Services, Inc. | Method of controlling development of an oil or gas reservoir |
CN102622605A (zh) * | 2012-02-17 | 2012-08-01 | 国电科学技术研究院 | 一种表面肌电信号的特征提取及动作模式识别方法 |
CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130046715A1 (en) * | 2010-01-11 | 2013-02-21 | Universite De Mons | Method to determine an artificial limb movement from an electroencephalographic signal |
-
2020
- 2020-03-05 CN CN202010146752.4A patent/CN111242100B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6002985A (en) * | 1997-05-06 | 1999-12-14 | Halliburton Energy Services, Inc. | Method of controlling development of an oil or gas reservoir |
CN102622605A (zh) * | 2012-02-17 | 2012-08-01 | 国电科学技术研究院 | 一种表面肌电信号的特征提取及动作模式识别方法 |
CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
Non-Patent Citations (2)
Title |
---|
BP算法改进及其在多组分混合体系中的应用研究;徐杨柳等;《轻工科技》;20130515(第05期);全文 * |
改进的S变换及在地震信号处理中的应用;陈学华等;《数据采集与处理》;20050228(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111242100A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ibrahimy et al. | Design and optimization of Levenberg-Marquardt based neural network classifier for EMG signals to identify hand motions | |
Phinyomark et al. | Investigating long-term effects of feature extraction methods for continuous EMG pattern classification | |
CN110598676B (zh) | 基于置信度得分模型的深度学习手势肌电信号识别方法 | |
Khushaba et al. | A fusion of time-domain descriptors for improved myoelectric hand control | |
CN111242100B (zh) | 一种基于gst和vl-mobpnn的动作识别方法 | |
CN110974212A (zh) | 一种融合心电和肌电特征的康复训练运动状态监测方法及系统 | |
Yao et al. | Multi-feature gait recognition with DNN based on sEMG signals | |
CN111772669B (zh) | 基于自适应长短时记忆网络的肘关节收缩肌力估计方法 | |
CN108403108A (zh) | 基于波形优化的阵列式表面肌电信号分解方法 | |
CN106901732A (zh) | 突变状态下肌力与肌张力的测量方法和测量装置 | |
Akmal et al. | SVM-based real-time classification of prosthetic fingers using myo armband-acquired electromyography data | |
Veer | Experimental study and characterization of SEMG signals for upper limbs | |
Turgunov et al. | A new dataset for the detection of hand movements based on the SEMG signal | |
Heydarzadeh et al. | Emg spectral analysis for prosthetic finger control | |
Das et al. | Hand Gesture Recognition and Classification Technique in Real-Time | |
Herle | Movement intention detection from SEMG signals using time-domain features and discriminant analysis classifiers | |
Chen et al. | Recognition of american sign language gestures based on electromyogram (emg) signal with xgboost machine learning | |
CN114098768B (zh) | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 | |
Khera et al. | Machine learning based electromyography signal classification with optimized feature selection for foot movements | |
Sburlea et al. | Predicting EMG envelopes of grasping movements from EEG recordings using unscented kalman filtering | |
Oyama et al. | Wrist EMG signals identification using neural network | |
Ling-Ling et al. | Electromyographic movement pattern recognition based on random forest algorithm | |
Al-Assaf et al. | Surface myoelectric signal classification for prostheses control | |
Sbargoud et al. | Hybrid classification strategy of emg signals for robotic hand control | |
Rada et al. | Recognition of Upper Limb Movements Based on Hybrid EEG and EMG Signals for Human-Robot Interaction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |